في خطوة فارقة نحو فهم القمر بشكل أفضل، تم تطوير نموذج أساسي متعدد الوسائط (Multimodal Foundation Model) يُستخدم في عملية الاستشعار عن بُعد. هذا النموذج تم تدريبه من الصفر باستخدام مجموعة بيانات SomBench، والتي تضم ما يقرب من مليوني حزمة من القيم المدبجة على 11 نمطاً مختلفاً بمقياسين فضائيين: 1 متر/بكسل و100 متر/بكسل.

يعتمد النموذج على هيكلية TerraMind المعروفة في معالجة البيانات، مع تقديم تعديلات خاصة بالقمر مثل توفير هندسة الاكتساب كسياق صريح. يتم التدريب على المربعات المكانية بالمقياسين معًا، مما يضمن تغطية مجموعة واحدة من الأوزان لكلا الدقتين.

تسمح تقنيات FlexiViT بتكييف حجم المربعات دون الحاجة إلى إعادة التدريب، بينما تمكّن المدخلات متعددة الوسائط من ضبط النموذج بشكل مرن. تشير التجارب التي تمت على العمليات التوليدية إلى أن النموذج يحقق فهمًا غنيًا للت correspondences عبر الأنماط.

تم تقييم أداء النموذج على أربعة معايير رئيسية، بما في ذلك اكتشاف الفوهات والتجزئة للأقمار غير النظامية. ويُظهر النموذج، الذي تم تدريبه مسبقًا، أداءً يتفوق أو يقترب من نتائج نماذج أخرى معروفة تم تدريبها على صور ImageNet.

تُظهر النتائج في مجالات تكهنات الجليد على القمر أن المتغيرات المدربة مسبقًا حققت أفضل النتائج. كما تم إثبات كفاءة الملصقات بشكل ملحوظ في اكتشاف الفوهات، حيث تجاوز النموذج المدرب مسبقًا، المُستخدم لنصف البيانات، أقوى نموذج صورة مدرب على كل البيانات.

لضمان استمرارية البحث في هذا المجال، تم إصدار النموذج المدرب مسبقًا ومجموعات البيانات الخاصة بالمعايير البرلمانية وكود التهيئة، مما يوفر أدوات مناسبة لدعم أبحاث الذكاء الاصطناعي المتعلقة بالقمر.